如何搭建多输出Sequential模型 解决LSTM训练形状不匹配问题

报错的核心是模型输出张量形状和标签形状不匹配：

• 你给两层LSTM都设置了return_sequences=True，该参数会让LSTM输出每个时间步的隐藏状态，最终传给Dense层的张量形状是(None, 7803, 100)，经过Dense层后输出形状为(None, 7803, 3)
• 你的标签ytrain形状是(None, 3)，仅对应每个样本的一个全局标签，不是每个时间步的标签，二者维度无法对齐。

修改第二层LSTM的return_sequences参数为False，仅输出最后一个时间步的隐藏状态，输出形状就会变为(None, 100)，经过Dense层后输出(None, 3)，和标签形状匹配。
修改后代码如下：

model=Sequential()
# 第一层LSTM保留return_sequences=True，给下一层LSTM输入三维张量
model.add(LSTM(1500,input_shape=(7803,1), return_sequences=True,activation='relu'))
# 第二层LSTM关闭return_sequences，输出二维张量
model.add(LSTM(100))
model.add(Dense(3, activation='softmax'))

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

hist=model.fit(xtrain,ytrain,epochs=10,batch_size=64)

注意：你当前的序列长度7803非常高，LSTM处理这么长的序列计算量会极大，建议先做特征降维或者序列采样，避免显存不足、训练速度过慢的问题。另外如果你的标签是整数形式的分类标签，没有做one-hot编码，需要把损失函数换成sparse_categorical_crossentropy。

不需要LSTM也可以实现3输出的多分类需求，如果你的数据本身没有时序依赖，直接用全连接网络或者一维CNN效率更高，示例如下：

全连接网络方案 #

把输入的最后一个维度压平，直接接全连接层即可：

model=Sequential()
model.add(Flatten(input_shape=(7803,1)))
model.add(Dense(2048, activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(Dense(3, activation='softmax'))

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

一维CNN方案 #

如果数据有局部相关性，用一维CNN提取特征更高效：

model=Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(7803,1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Conv1D(filters=32, kernel_size=3, activation='relu'))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(3, activation='softmax'))

两种非LSTM方案的输出形状都是(None, 3)，可以直接匹配你的标签形状。

内容的提问来源于stack exchange，提问作者10sha25